基于主分量特征与独立分量特征的人脸识别

PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述.PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征.文章对这两种方法做了理论上的比较,并通过实验证明ICA算法提取的特征子空间在人脸识别应用中更有效,识别率更高.     

基于独立分量分析的心理作业诱发脑电特征增强

作者采用独立分量分析(Independent Component Analysis)方法对心理作业诱发的脑电信号进行了分析.研究表明,ICA能有效地从多路头皮脑电中分离出脑电信号的基本节律成分.通过对脑电独立源谱特征和ICA混合矩阵分析,可得到基本节律成分在头皮电极的能量分布情况,进而揭示心理作业与脑电特征的关系.     

基于独立分量分析的声发射信号去噪方法

针对声发射信号比较微弱,实际检测信号中常含有强背景噪声的问题,提出了基于独立分量分析(ICA)的信号去噪方法.该方法首先对观测信号进行FastICA分解,得出多导独立分量;再根据一定的时域及频域先验知识,将独立分量中的噪声信号通道置零,利用解混矩阵反演出去噪后的信号.文中通过断铅声模拟发射信号去噪仿真和埋地水管泄漏声发射信号去噪实验,对该方法进行定性和定量分析.结果表明,与常规的去噪方法比较,ICA去噪方法受噪声强度影响较小,能够得到更高的信噪比和更好的相关系数,有利于提高埋地水管泄漏点的定位精度.     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于独立分量分析（ICA）的图像去噪方法

独立分量分析(Independent Compondent Analysis,ICA)是近年来提出的一种非常有效的数据分析方法,主要用来从混合数据中提取出原始的独立信号.在独立分量分析基本模型的基础上,计算在变换基下的投影,应用软门限算子进行去噪处理,结合实例对含噪图像进行去噪.实验结果表明,该算法在峰值信噪比和主观视觉效果上都比传统图像去噪方法具有明显的改善.     

应用独立分量分析的胎儿心电信号提取

针对独立分量分析(independent component analysis,ICA)的基本生成模型,在采用负熵的快速定点ICA算法的基础上,应用渐近正交化的FastlCA算法,对3导从孕妇腹部测得的含有孕妇及其胎儿心电分量的观测信号进行了有效的分离,提取出胎儿心电分量;通过调用Matlab小波消噪程序,对分离所得的胎儿心电分量用db2小波对其做8层分解,获取默认软闽值,消噪处理.结果表明,渐近正交化的FastICA算法收敛速度快,只经过7、3、2次的迭代,便将3个源分量分离出来;结合小波阈值消噪,将分离后胎儿心电中的干扰进一步去除.     

基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

基于独立分量分析(ICA)的音频数字水印

独立分量分析(IndependentComponentAnalysis,简称ICA)是一种多元统计方法。利用ICA的盲分离特征,提出了一种基于ICA的音频数字水印方法,在保证听觉效果的基础上利用随机混合嵌入数字水印,利用基于互信息和负熵的ICA方法提取水印。仿真试验表明该方法具有较强的鲁棒性。     

基于FastICA的P300电位快速提取方法

从两个方面研究了快速独立分量分析(Fast Independent Component Analysis,Fast ICA)方法在诱发脑电P300少次提取中的应用,并给出了针对健康和残疾被试的实验结果.首先,利用FastICA对观测信号进行去噪,然后对去噪后的P300分量进行较少次叠加平均,并对提取出的健康和残疾被试的P300特征进行了详细的比较分析;然后,从模式识别的角度出发,逐渐减少叠加次数,分别考察了根据提取出的P300特征进行靶刺激和非靶刺激识别的难易程度.实验结果表明了FastICA方法用于P300较少次提取的有效性.     

级联双稳随机共振降噪下的有噪ICA研究

研究了强噪声混合条件下的独立分量分析（ICA）问题．提出了一种将级联双稳随机共振（SR）用于有噪ICA盲源分离的方法．该方法利用级联双稳SR对时域波形降噪的优良特性，先对有噪ICA信号进行SR输出，再进行ICA盲源分离．实验结果表明，利用上述方法可以有效提高有噪ICA的分离效果．     

图像特征维数约减的线性变换技术

线性变换技术能够消除图像高维特征向量的各分量之间的相关性,并对特征向量进行降维。对基于线性变换技术的图像的PCA(Prinapal Component Analysis)特征,ICA(Independent ComponentAnalysis)特征,SVD(Singular Value Decomposition)特征提取方法进行了分析和讨论。     

独立分量与因子旋转关系分析

解析独立分量分析和因子分析的基本原理,指出独立分量分析的本质是因子旋转,从理论上证实了Varimax和Onhomax等因子旋转与基于峭度的独立分量估计目标函数条件等价。考虑多种类型源信号的情况,提出了基于Varimax的独立分量估计方法。实验表明,在混合矩阵满足稀疏条件下该方法简单有效。     

采用独立分量分析方法消除信号中的工频干扰

工频干扰的消除是微弱信号采集中的一项重要技术,传统方法是采用陷波滤波器或自适应滤波,论文则提出了用独立分量分析（ICA）进行生物医学信号中工频干扰消除的新方法,在简要介绍了独立分量分析的基本理论及算法的基础上,根据三种不同的实际情况,详细讨论了利用独立分量分析进行工频干扰消除的方法与步骤,并给出了实验结果。     

基于独立分量分析的遥感影像分类方法

多光谱遥感影像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析利用了信号的高阶统计信息,对于多光谱遥感影像而言,其去除了波段影像之间的相关性,获得的波段影像是相互独立的。最后通过TM遥感影像数据的分类试验,验证了基于独立分量分析的线性光谱混合分析模型应用于多光谱遥感影像非监督分类的有效性。     

基于改进固定点ICA算法的图像盲分离

独立向量分析根据信源统计独立特性对观测信号进行分离运算,目前采用较多的是固定点独立分量分析(FastICA).考虑到图像信号分离中,图像信号复杂多样,信息量大的特点,采用改进固定点ICA算法对图像进行分离,克服了采用固定点ICA算法计算量大、收敛速度慢的缺点.文章采用随机提取的独立图像做实验,取得了稳定性较强的效果.     

基于独立分量分析的盲信号分离研究

独立分量分析是一种基于高阶统计量的信号分析方法,近年来作为信号处理的强有力的分析处理工具得到广泛的关注和研究。本文首先介绍了独立分量分析的基本概念和数据模型,然后对比较流行的各种独立分量分析算法进行了剖析和总结,最后对独立分量分析的应用和发展趋势作了展望。     

基于独立分量分析的混合声音信号分离

论文简要介绍了有关独立分量分析（ICA）的基本理论和算法;探讨了独立分量分析在混合声音信号分离中的应用。针对ICA输出结果排序的不定性以及在长时间记录声音信号的过程,ICA混合模型系数存在时变性等问题,提出了一种结合小波变换和独立分量分析的解决方法;试验结果表明,该方法能有效地提高运算效率并获得较好的分离效果。     

Automatic removal of eye movement artifacts from the EEG using ICA and the dipole model

In this study, we proposed and evaluated the use of Independent Component Analysis (ICA) combining the EEG dipole model to automatically remove eye movement artifacts from the EEG without needing EOG as a reference. We separated the EEG data into independent components using the ICA method, and determined the source localization of these independent components with a single dipole model. The EEG signal was reconstructed by automatically excluding those components localized within a preset eye model. EEGs from 12 patients were analyzed. The experimental results indicate that ICA with the dipole model is very efficient at automatically subtracting the eye movement artifacts, while retaining the EEG slow waves and making their interpretation easier.     

光谱重建中ICA和PCA的对比

一个光谱数据集可以表示成几个主要光谱成分的线性组合。主成分分析法（PCA）是提取光谱数据集的主要成分的常用方法。近年来，有研究人员用独立成分分析法（ICA）提取光谱数据集的独立成分，进而实现光谱数据压缩。文章分别使用ICA和PCA对50例Munsell色卡的光谱反射比和50例桦树叶的光谱反射比进行特征光谱的提取。利用多光谱成像技术和光谱重建算法，采用三组滤光片，每组分别为2、3和4片，选取3-15维子空间，重建了150例Munsell色卡和150例桦树叶的光谱反射比。重建结果用CIELAB1976色差和光谱重建误差来评价。在150例桦树叶光谱重建中，ICA的重建结果明显好于PCA的重建结果；而150例Munsell色卡用ICA和PCA重建结果相差不大。最后，根据重建结果，对子空间维数、滤光片数与重建色差和误差的关系作了分析。